确定地图中兴趣点和/或道路类型的方法、云服务器和车辆与流程

1.本公开涉及确定地图中的兴趣点和/或道路类型的计算机实现方法，以及用于基于地图做出改进的adas决策的云服务器和车辆。


背景技术：

2.在高级驾驶员辅助系统(adas)或自主驾驶(ad)中，高清晰度(hd)地图是至关重要的。hd地图通常是指精确到厘米级的地图，其具有比常规汽车地图(例如，用于常规汽车导航)更多的细节(例如，道路标志、交通标志、道路障碍物)，且因此可用于ad中。
3.创建hd地图是一项具有挑战性的任务。通常，地图提供者利用配备有高成本传感器(例如，高分辨率摄像头和lidar)的多个专用监视车辆。然后，它们行驶过相关区域中的所有道路以在离线过程中绘制和聚集该数据。有时，甚至附加信息也是由人工人工增加的。
4.另选地，可以对卫星图像进行处理以生成道路网络，或者智能电话可以上载位置信息以用于地图生成。然而，卫星图像通常是旧的并且提供很少的额外信息，而智能电话除了位置之外也提供很少的额外信息。以往预测兴趣点(poi)的位置和诸如斑马线、环岛、建筑地点或道路状况(例如高速公路、乡村道路、城市道路)的道路类型的方法主要存在以下三个缺点中的至少一个：a)使用高成本传感器，例如基于激光雷达(光检测和测距)的传感器或dgps(差分全球定位系统)或人工注释工作，b)对地图数据的依赖性(这是一个问题，因为地图数据不会遍布每个位置并且容易过期)，和/或c)缺少可靠性估计；即，在不知道该估计是否基于可靠或足够数量的输入数据的情况下，估计poi或道路类型的存在与否是不够的。


技术实现要素：

5.由于环境和道路几何形状可能随时间快速改变，所以传统地图的更新非常快。因此，创建hd地图并使其保持最新是一项具有挑战性的任务。
6.此外，由于这些地图可以设置一种ad车辆可以在其中移动的框架，例如，当例如实时系统发生故障或被阻挡时，可以将hd地图视为备用解决方案，这样关于兴趣点(poi)和道路类型的最新信息也是至关重要的。
7.预测poi或道路类型的位置的以往方法主要存在以下三个缺点中的至少一个：a)使用高成本传感器，例如基于激光雷达(光检测和测距)的传感器或dgps(差分全球定位系统)或人工注释工作，b)对地图数据的依赖性(这是一个问题，因为地图数据不会遍布每个位置并且容易过期)，和/或c)缺少可靠性估计；即，在不知道该估计是否基于可靠或足够数量的输入数据的情况下，估计poi或道路类型的存在与否是不够的。
8.因此，需要以更容易的方式预测关注点(poi)的位置并识别道路类型，即，适应于时间变化(例如突然的道路关闭或交通中断)，成本低且可靠。
9.根据本公开的第一方面，一种确定地图中的兴趣点和/或道路类型的计算机实现方法，包括以下步骤：获取从一个或更多个车辆收集的经处理的传感器数据；从经处理的传
感器数据中提取分类参数集；以及基于该分类参数集确定一个或更多个兴趣点(poi)及其地理位置和/或一个或更多个道路类型。
10.根据本公开的第二方面，通过使用经训练的神经网络分类器来执行所述确定，所述经训练的神经网络分类器使用所述分类参数集作为输入并输出至少一个poi和/或道路类型作为分类结果。
11.根据本公开的第三方面，所述经训练的神经网络分类器是经训练的卷积神经网络分类器。
12.根据本公开的第四方面，所述方法还包括：基于基于传感器的数据和定位数据来检测和跟踪多个对象，以为多个对象类别中的每一个确定多个单独轨迹。
13.根据本公开的第五方面，所述方法还包括：聚集各个单独轨迹以确定地图的网格单元地图表示中的多个对象类别特定聚集轨迹。
14.根据本公开的第六方面，确定所述地图中的所述一个或更多个poi和/或至少一个道路类型基于所述对象类别特定聚合轨迹。
15.根据本公开的第七方面，使用所述对象类别特定聚集轨迹针对地图的每个网格单元确定对象类别特定直方图。
16.根据本公开的第八方面，所述直方图是关于多个不同的驾驶或步行方向而确定的。
17.根据本公开的第九方面，所述直方图包括地面上的平均观测速度和/或轨迹的平均角度偏差。
18.根据本公开的第十方面，所述直方图包括各单独轨迹的创建时间。
19.根据本公开的第十一方面，所述方法还包括：使用所述对象类别特定聚合轨迹和所确定的一个或更多个poi和/或道路类型来生成所述地图。
20.根据本公开的第十二方面，通过仅使用通过使用最小数量的单独轨迹而聚集和/或通过使用在过去的特定时间量内确定的最小数量的轨迹而聚集的聚集轨迹来生成所述地图。
21.根据本公开的第十三方面，通过为对象类别特定聚集轨迹和/或一个或更多个poi和/或道路类型提供可靠性指示来生成所述地图。
22.根据本公开的第十四方面，经处理的传感器数据是基于雷达的传感器数据和基于gps的传感器数据。
23.根据本公开的第十五方面，经处理的传感器数据是基于激光雷达的传感器数据和基于gps的传感器数据。
24.根据本公开的第十六方面，一种云服务器被适配成执行第一方面至第十四方面中任一方面的方法。
25.根据本公开的第十七方面，一种车辆，其包括：通信接口，该通信接口被配置为从根据第十四方面的云服务器接收包括所确定的poi和/或道路类型的地图；以及控制单元，该控制单元被配置为基于所接收的地图做出高级驾驶和安全决策。
26.根据本公开的第十八方面，一种系统，其包括根据第十六方面的云服务器和多个根据第十七方面的车辆。
附图说明
27.图1示出了根据实施方式的车辆系统和云服务器。
28.图2示出了根据实施方式的用于获取基于雷达的传感器数据的设备。
29.图3示出了根据实施方式的车辆和检测区域。
30.图4示出了根据实施方式的可编程信号处理装置。
31.图5示出了根据实施方式的确定或分类poi和/或道路类型的计算机实现方法的流程图。
32.图6示出了与高速公路、乡村道路、城市道路和具有斑马线的城市道路相关的聚集轨迹的示例箭头。
33.图7示出了具有3
×
3网格单元的地图的局部部分的示例。
34.图8a至图8c分别示出了用于乡村道路、具有斑马线的城市道路和城市道路的定向聚集轨迹的网格单元统计的示例。
35.图9示出了根据实施方式的提取分类参数集的方法的流程图。
36.图10示出了根据实施方式的由车辆实现的方法的流程图。
37.图11示出了根据实施方式的用于训练神经网络分类器的流程图。
具体实施方式
38.现在将参考附图来描述本公开的实施方式。在以下详细描述中，阐述了许多具体细节。这些具体细节仅用于提供对各种所述实施方式的透彻理解。此外，尽管可能使用术语第一、第二等来描述各种元素，但是这些元素不受到这些术语的限制。这些术语仅用于对一个元素与另一个元素进行区分。
39.本公开教导了对兴趣点(poi)的分类或识别，所述兴趣点(poi)例如是地图中的环岛、斑马线、建筑区等，和/或b)道路类型，例如高速公路、乡村道路、城市或市区道路、公共汽车车道、自行车车道或人行道。poi和/或道路类型的这种分类或识别可以包括poi和/或道路的地理位置的识别，使得该信息可以容易地包括在hd地图中。优选地，poi和/或道路类型的分类或识别使用低成本传感器来执行，即雷达和gps，换言之，poi和/或道路类型的无摄像头和无lidar识别和分类。该识别也不需要dpgs系统或手动注释工作。
40.图1示出了根据实施方式的车辆10和云服务器20的系统。车辆10(例如，adas车队)配备有通信接口以实现与云服务器20的通信连接。这种通信连接可以以不同的形式实现；如图1所示，车辆10可以具有例如与基站30的空中(ota)接口(例如，根据诸如lte、4g、5g、6g的无线通信标准的无线电接口)。基站30提供到云服务器20的通信连接(例如，经由核心网络、互联网等)。基于该通信连接，车辆20的数据可被上传到云服务器20，并且地图信息或其他adas相关信息可例如以软件即服务(saas)的形式从云服务器20下载到车辆10。这里，聚集各单独轨迹并导出附加的高级信息(poi和/或道路类型)不断地更新底层地图。随后可将所得的最新且准确的地图从云服务器20下载到车辆10以(例如)改进现有的adas特征。
41.车辆10(特别是adas车辆)通常可配备有用于环境感知的宽范围的传感器单元(例如，摄像头和雷达和/或激光雷达)。这些传感器允许车辆10感知其环境，并且例如检测车道标记、交通标志和包括其动态特性(相对于adas车辆的位置和速度)的其他道路用户。这种感知软件(sw)形成了现代adas系统的基础，并且将(以不同程度的成熟度(matureness)和
质量)存在于每个adas车辆中。基于此，adas车辆通常配备有l2+能力，即，其可以执行车道保持和距离保持。
42.图2示出了根据实施方式的用于获取基于雷达的传感器数据的设备100。该设备100可以设置到车辆10上(如图3所示)，并且优选地可以面向车辆的行驶方向d安装在车辆10上。本领域技术人员应理解，该设备100不是必须面向行驶方向；该设备100还可以面向侧向或后部方向。该设备100可以是雷达传感器、雷达模块、雷达系统的一部分。该设备100还可以是一个或多个检测区域111f、111l、111r的雷达传感器、雷达模块、雷达系统的一部分等。该设备100还可以是用于采集和处理多个不同传感器数据(诸如雷达数据和激光雷达数据)的设备。车辆10还可以具有多于一个这样的设备100。
43.该设备100可以作为车辆10的驾驶员辅助系统200的一部分来提供或者如图2所示与车辆10的驾驶员辅助系统200交互。车辆的驾驶员辅助系统200可以包括高级驾驶员辅助系统(adas)功能或自主驾驶功能。
44.车辆10可以是通过机械动力移动的任何陆地车辆(诸如汽车、公共汽车、卡车、货运汽车等)。附图将该车辆10例示为设置有设备100的汽车。然而，本公开不限于此。
45.车辆10还设置有诸如gps单元(未示出)的定位单元。本领域技术人员应理解，定位单元随时间提供关于车辆的定位信息，使得可以确定车辆10(自我车辆)在全局坐标系(gcs)中的轨迹(第一轨迹)。轨迹通常可以被认为是车辆(或任何其他对象)在gcs中随时间行进的路径或轨迹(空间坐标集)。轨迹信息可以与附加元信息一起存储在车辆的存储器中，所述附加元信息诸如是记录时间、被跟踪对象的速度等。
46.如图2所示，设备100包括获取单元120和确定单元130，并且还可以包括一个或更多个传感器或传感器单元(例如雷达和/或激光雷达传感器)110，但是一个或更多个传感器单元也可以与设备100分开提供。
47.下面进一步说明一个实施方式，其中，一个或更多个雷达传感器110包括一个或更多个雷达天线。这里，所述一个或更多个天线可以被配置为发射雷达信号，优选为经调制的雷达信号，例如啁啾信号。信号可以在一个或更多个天线处被获取或检测，并且在下文中通常被称为返回信号。这里，返回信号可以由发射的雷达信号在车辆的环境或周围环境中的障碍物或对象(例如行人、诸如公共汽车、汽车、自行车等的另一车辆)上的反射产生。
48.一个或更多个天线可以单独提供或作为天线阵列提供，其中，雷达传感器110的一个或更多个天线中的至少一个天线发射雷达信号，并且一个或更多个天线中的至少一个天线检测返回信号。检测或获取的返回信号表示电磁场的幅度/能量随时间的变化。
49.获取单元120可以被配置(例如，被编程)为获取车辆10的至少一个传感器单元110的基于传感器的数据以及与车辆10的定位单元(例如，gps单元，未示出)相关的定位数据。所述基于传感器的数据可以是雷达数据(来自雷达传感器)和/或激光雷达数据(来自激光雷达传感器)。从车辆的传感器单元110获取基于传感器的数据可以经由车内数据通信接口来执行，例如基于can总线通信或以太网到车辆10的区域控制器或域控制器。
50.在雷达系统的情况下，获取单元120可以被配置(例如，编程)为获取关于雷达传感器110的一个或更多个雷达天线中的每一个的雷达数据(基于雷达的传感器数据)，所获取的雷达数据可以包括距离数据和径向距离变化率(也称为多普勒)数据。获取单元120可以获取在一个或更多个天线处检测到的返回信号，并且可以对其应用模数转换(a/d)。获取单
元120可以将发射雷达信号和检测返回信号之间的延迟转换为距离数据。可以通过使返回信号与发射的雷达信号相关来获取延迟，从而获取距离数据。获取单元120可以根据检测到的返回信号与发射的雷达信号相比的频移或相移来计算多普勒频移或距离变化率作为距离变化率数据。可以通过对返回信号进行频率变换并将其频谱与发射的雷达信号的频率进行比较来获取频移或相移，从而获取径向距离变化率数据。例如，可以如us 7,639,171或us 9,470,777或ep 3454079中所描述的那样执行距离数据和径向距离变化率(多普勒)数据的确定以及由此根据在一个或更多个天线处检测到的返回信号的检测。
51.处理单元130可以被配置(例如，被编程)为使用定位数据(例如，使用gps数据)来确定车辆10自身的第一(单独)轨迹，并且使用所获取的基于传感器的数据来确定车辆10周围(在传感器单元的检测区域中)的其他车辆或其他对象的多个第二(单独)轨迹。这里，第一路径与车辆10自身(在下文中也称为自我车辆)的单独路径相关联。换句话说，自我车辆的轨线或轨迹t
ego
可以由车辆的定位(使用gps数据流)和(已知的)尺寸来提供。
52.本领域技术人员应理解，该第一轨迹可以是车辆10的一组gps或dgps定位数据。所述第二轨迹与在自我车辆10的传感器检测区域中检测到的其他观察到的道路使用者的单独轨迹或路径相关联。这里，由于基于传感器的数据(由于雷达和/或激光雷达检测)通常与关于自我车辆的相对位置数据相关联，因此定位数据(第一轨迹)可有利地用于确定gcs中的多个第二轨迹。
53.处理单元130还可以被配置(例如，被编程)为聚集(自我车辆的)第一轨迹和其他车辆(其他道路用户)的多个第二轨迹，或者聚集其他车辆(其他道路用户)的多个第二轨迹以生成多个聚集轨迹。产生聚集轨迹通常可被视为将单独轨迹收集在一起，换句话说，作为单独轨迹的总和。本领域技术人员应理解，将单独轨迹聚集在一起允许确定(统计平均的)大多数道路用户已经取得的轨迹，并且其中将个体偏差平均。由于与其他车辆的第二轨迹的基于传感器的确定相比，自我车辆的第一轨迹通常具有更好的检测精度(例如，因为可以以高精度执行gps定位)，所以这进一步提高了聚集轨迹的精度。
54.这里，所生成的聚集轨迹可被包括在地图(hd地图)的网格地图表示中。即，预定空间分辨率的地图(例如，在2d笛卡尔坐标系中)可以被细分为预定尺寸的多个单独的网格单元，例如每个网格单元覆盖10cm
×
10cm的尺寸，并且聚集轨迹被包括在该地图中。因此，单个自我车辆可提供数据，关于多个车道的详细信息可从该数据聚集以创建hd地图。
55.例如，使用边界框检测和跟踪(通过基于雷达的数据和/或基于激光雷达的数据)，如果检测到另一道路用户之一，则可从自我车辆的gps位置和传感器系统的校准导出位置、方位和驾驶方向。然后被检测车辆的轨线(路径)或轨迹td可以被定义为相应检测帧j＝1,
…
,p中的被检测立方体cj的轨迹，即t＝{c1,
…
,c
p
}，其中p是最后检测帧。每个轨迹td可以用元信息来丰富，诸如轨迹置信度值t
conf
∈[0,1]，立方体相对于自我车辆应处于的距离范围(实数集)、和/或轨迹的第一个和最后一个立方体的欧几里得距离。通常，每个轨迹可以与如此处所描述的或下面进一步描述的元信息一起关联(例如存储)。
[0056]
然后可以将所检测和跟踪的立方体处理成单独的轨迹。长方体覆盖的整个地理区域可视为单独轨迹；即，对于各个轨迹，两个后续立方体的重叠区域也优选地仅计数一次。
[0057]
通过多次记录位置并且通过检测覆盖相同位置的多个车辆或其他道路用户(例如自行车、行人)，可以给出(聚集)多个检测用于车道估计。因此，地图的局部网格单元区域可
以具有聚集值，该聚集值最初被设置为零，并且针对通过局部网格单元区域的每个轨迹增加一。
[0058]
对于聚集，给定的地理位置(局部区域)可以表示为网格地图，其中每个网格单元覆盖预定区域，例如gcs中的10cm
×
10cm区域。密度图可以关于给定空间位置的聚集来定义。密度图d可以表示移动车辆的密度。
[0059]
在开始时，网格地图d的所有值都被设置为0。然后，对覆盖给定位置的所有轨迹(td和/或t
ego
)执行迭代。对于移动轨迹td的每个立方体cj，可以将检测到的立方体映射到密度图中，并且在位置(网格)与立方体重叠的情况下，将密度图的各个值增加预定值(例如增加1的值)。
[0060]
d中的每个值只能通过当前轨迹的立方体增加一次。即，当考虑例如3个检测到的长方体时，即使在2个随后检测到的长方体的重叠区域中，d中的值也仅增加一次。这防止了d中的值不正确地累加，例如对于停止的移动车辆，例如当它到达交通信号灯时。
[0061]
基于此，在处理第一轨迹的立方体之后，d中的值可以是0或1。然后，在处理第二轨迹的立方体之后，d中的值可以是0或1或2等。
[0062]
本领域技术人员应理解，可以在任何交通环境中并且也可以在任何地理区域中生成聚集轨迹，并且相应的地图是低成本的可靠的地图。
[0063]
图4是可编程信号处理装置300的示意图，其可以被配置为实现图2的设备100的功能。
[0064]
信号处理装置300具有接口模块310，其提供用于发送和接收信息的装置，例如一个或更多个天线或有线连接，例如用于提供到云服务器20的通信连接。信号处理装置300还具有：处理器320，例如cpu，用于控制可编程信号处理装置300以执行设备100的功能；工作存储器330，例如随机存取存储器；以及指令存储部340，用于存储具有计算机可读指令的计算机程序345，当由处理器320执行所述指令时，所述指令使处理器320执行设备100的功能。
[0065]
指令存储部340可以包括rom，例如以电可擦除可编程只读存储器(eeprom)或闪存的形式，其预加载有计算机可读指令。另选地，指令存储部340可以包括ram或类似类型的存储器，并且计算机可读指令可以从计算机程序产品(例如计算机可读存储介质350，例如cd-rom等)或携带计算机可读指令的计算机可读信号360输入到其中。
[0066]
另选地，设备100可以在诸如专用集成电路(asic)的不可编程硬件中实现，或者以使用硬件和软件组件的任何适当组合的任何其他适当方式实现。
[0067]
如上所述，本公开提供了以更准确和可靠的方式对一个或更多个车辆10的周围环境中的poi和/或道路类型进行分类的各种技术。
[0068]
处理装置300还可以在云服务器20中实现，以实现图2的设备100的功能。换言之，获取单元120和处理单元130的功能也可以在云服务器中实现。
[0069]
图5示出了根据实施方式的确定或分类poi和/或道路类型的计算机实现方法的流程图。该方法可以在云服务器20中实现，或者该方法的一部分可以在车辆10中实现，而该方法的其他部分可以在云服务器20中实现。
[0070]
以下示例实施方式描述了基于雷达数据确定或分类poi和/或道路类型、即作为避免使用高成本车载设备的无摄像头和无lidar方法。然而，本领域技术人员应理解这不是限制性的。
[0071]
根据图5中的步骤s110，该方法获取经处理的传感器数据。所收集的经处理的传感器数据可以是从各个传感器单元110获取的基于雷达的传感器数据(例如，如下所述进行处理)和来自定位传感器(例如gps传感器)的经处理的定位数据。经处理的传感器数据还可以经由云服务器20处的空中接口来获取。本领域技术人员应理解，基于雷达的传感器数据可以用于其他车辆和车辆10的检测区域中的对象的对象检测和跟踪，并且定位数据可以用于确定车辆(自我车辆)10本身的位置和轨迹(第一轨迹)。
[0072]
获取单元120可以获取和处理数据立方体中的雷达数据，该数据立方体例如指示极坐标系中的距离和角度值，分别用于多个径向距离变化率(多普勒)值。在这种情况下，获取单元120(或者下面描述的确定单元130)还可以被配置为执行(距离、角度)数据值从极坐标到笛卡尔坐标的转换，即(距离、角度)数据值到(x，y)数据值的转换。有利地，可以以这样的方式执行转换，使得产生具有一个或更多个空间分辨率和空间维度的一个或更多个多笛卡尔网格，例如具有80m
×
80m的空间维度和0.5m/bin的空间分辨率的近距(x，y)网格和具有160m
×
160m的空间维度和1m/bin的空间分辨率的远距(x，y)网格。
[0073]
换言之，给定从雷达点云以鸟瞰图(bev)获取的雷达数据，首先可以处理点云以将其转换成世界笛卡尔坐标中的一个或更多个网格。
[0074]
即，可以在车辆10的空间环境的相应空间分辨单元的网格中定义雷达数据。因此，可以在车辆的环境中以特定的空间分辨率(例如0.5m/单元)来定义空间分辨单元(其也被称为数据仓或数据时隙)。此外，可以针对多个时间步长t1,t2,
…
,tn获取雷达数据，每个时间步长表示在相应的当前时间的车辆环境的所谓的快照或帧(即完整的传感器数据获取)。应当理解，车辆的空间环境可能由于车辆本身的运动以及由于环境中的非静止对象的运动而改变。
[0075]
传感器数据可以在步骤s110中由车辆10使用获取单元120获取，如上所述，或者如果该方法由云服务器20或车辆外部的另一实体实现，则可以经由ota通信连接从一个或更多个车辆获取以用于进一步处理。
[0076]
获取经处理的传感器数据还可包括基于传感器数据(例如，基于雷达的数据和定位数据)检测和跟踪多个对象，以确定多个对象类别中的每一个的多个单独轨迹(第二轨迹)。尤其是，该方法还可以确定对象类别特定单独轨迹，即多个对象类中的每一个的单独轨迹。
[0077]
基于所获取的传感器数据(例如雷达数据)，确定单元130因此可以检测和跟踪车辆10的环境中的一个或更多个对象，并且还可以区分不同类型的对象(例如汽车、卡车、公共汽车、摩托车、自行车、行人)。例如，用于检测、跟踪和区分不同对象(例如，基于雷达点云的大小、反射强度等)的机器学习技术是已知的(manjunath等人的“radar based detection and tracking for autonomous driving”，2018ieee mtt-s智能移动微波国际会议，doi:10.1109/icmim.2018.8443497)。确定单元130因此可以优选地与定位单元(参见上文)结合以具有cgs中的车辆的位置信息，确定被跟踪对象的多个单独轨迹(第二轨迹)。例如，确定单元130可以分别确定第一汽车、第二汽车、公共汽车和行人的单独轨迹。
[0078]
确定单元130还可以为多个对象类别中的每一个确定多个单独轨迹(对象类别特定轨迹)。这里，可以根据对象类型或类别来区分检测到的对象。即，可以考虑多个对象类别，例如，关于汽车的第一对象类别、关于公共汽车的第二对象类别、关于卡车的第三对象
类别、关于摩托车的第四对象类别、关于自行车的第五对象类别以及关于行人的第六对象类别。因此，在各单独轨迹的上述示例中，在对象类别“汽车”中有第一汽车和第二汽车的单独轨迹，在对象类别“公共汽车”中有单独轨迹，在对象类别“行人”中有单独轨迹，但在对象类别“卡车”、“摩托车”和“自行车”中没有单独轨迹。
[0079]
本领域技术人员应理解，这是这种对象类别的非限制性示例，并且也可以考虑其它或多或少的特定类别，例如，关于4轮车辆的第一对象类别、关于2轮车辆的第二对象类别以及关于行人的第三对象类别。
[0080]
如上所述，使用所获取的雷达数据，可以随时间检测和跟踪多个不同对象，以确定多个对象类别中的每一个的单独轨迹(第二轨迹)。此外，使用gcs中的定位(例如，使用gps)数据，车辆的雷达探测的相对位置和对象的跟踪也可以被转换到gcs中，从而也可以在gcs中提供单独的对象轨迹。因此，第二轨迹通常可以被认为是被跟踪对象在gcs中随时间跟随的路径或轨迹(空间坐标集)。
[0081]
此外，当确定单独轨迹时，还可以保持(例如，与单独轨迹相关联地存储)与单独轨迹相关联的元信息(分类参数)，诸如速度数据(例如，基于检测到的多普勒值)、移动方向、轨迹检测的日期和时间、被跟踪对象的总量等。
[0082]
确定单元130还可聚集对象类别特定轨迹以确定地图的网格地图表示中的多个对象类别特定聚集轨迹。生成聚集轨迹通常可被认为是将各单独轨迹聚集在一起，换言之，作为每个对象类别的单独轨迹的总和。本领域技术人员应理解，将各单独轨迹聚集在一起允许确定大多数道路用户已经取得的并且其中个体偏差被平均的(统计平均的、集体的)轨迹。
[0083]
例如在一个或更多个车辆已经经由ota通信接口将经处理的传感器数据和/或单独轨迹和元信息传送到云服务器20之后，还可以在云服务器中执行对象类别特定轨迹的聚集以确定地图的网格地图表示中的多个对象类别特定聚集轨迹。
[0084]
这里，所生成的聚集轨迹可被包括在地图(hd地图)的网格地图表示中。即，预定空间分辨率的地图(例如，在2d笛卡尔坐标系中)可以被细分为预定大小的多个单独的网格单元，例如每个网格单元覆盖例如2m
×
2m的预定大小，并且聚集轨迹被包括在该地图中。当然，单个网格单元的大小的这个示例不是限制性的，并且可以使用更大或更小的网格单元大小。本领域技术人员应理解，网格单元不应该做得太小，以便每个网格单元具有足够的信息量。因此，单个自我车辆可以提供数据，从中可以聚集关于多个车道的详细信息。本领域技术人员应理解，可以在任何交通环境中以及在任何地理区域中生成聚集轨迹，并且相应的地图是低成本的准确且可靠的地图。聚集轨迹还可以与附加元信息(分类参数)一起存储，所述附加元信息例如与每个对象类别的平均速度、创建的时间和日期、用于聚集的单独轨迹的数量等有关。
[0085]
根据图5中的步骤s130，可以从经处理的传感器数据中提取分类参数集。如所说明的，对于地图的每个网格单元，该分类参数集可以包括以下各项中的一个或更多个：
[0086]-每个对象类别在网格单元中的检测到的个体速度；
[0087]-每个对象类别在网格单元中的检测到的平均速度；
[0088]-每个对象类别在网格单元中的移动(行驶或行走)方向；
[0089]-每个对象类别在网格单元中的轨迹的平均角度偏差；
[0090]-每个对象类别关于轨迹的观测速度和/或平均角度偏差的直方图(地图的网格单元的统计的示例)；
[0091]-每个对象类别在网格单元中(单独的和聚集的)创建所确定的轨迹的日期和时间；
[0092]-每个对象类别在网格单元中的被跟踪对象的量和总量。
[0093]
这种所提取的分类参数集可用于确定一个或更多个poi及其地理位置，以及基于以下考虑确定一个或更多个道路类型。
[0094]
尤其是，选择上述分类参数，使得它们允许区分例如图6中可见的不同道路类型(其中箭头示意性地指示道路上(与车辆相关)以及下一或跨越道路(与行人运动相关)的聚集轨迹。例如，对于高速公路，预期多个聚集轨迹进入相同的方向，并且也有多个聚集轨迹沿完全相反的方向(如图6的左图针对4条车道的高速公路所示)，但是在该区域中不存在行人轨迹。对于乡村道路(如图6中左数第二张图所示)，可以预期单个聚集轨迹沿各个方向行进。而且，两个方向(车道)之间的距离与高速公路情况相比将更小。此外，对于市区或城市道路(如图6中从右数第二张图所示)，预期行人和/或自行车可能在车道旁边并且在两个方向上的附加运动模式。如果在场景中存在斑马线(或类似类型的行人十字路口)作为poi(如图6的右图中所示)，则车道用户(汽车、公共汽车、轨道等)的移动模式将改变：在两个方向上可以预期在十字路口之前和之后的较慢的平均速度。行人运动模式也将改变。即，可以预期路口交通可能指向斑马线(poi)。
[0095]
为了进一步说明分类参数的提取，进一步参照图7，其示出了具有3
×
3网格单元的地图的局部部分的示例，其中，中心网格单元被突出显示。在图7的示意性示例中，示出了两个聚集轨迹。此外，每个聚集轨迹可以基于其方向被量化，例如被量化成多个(例如8个)主导方向(例如北、东北、东等)。在图7的示意性示例中，第一聚集轨迹在从上到下的方向(“南”)上，而第二聚集轨迹在从下到上的方向(“北”)上，同时识别出2车道道路的相反驾驶方向的车道。本领域技术人员应理解，这是出于解释的目的的说明性示例，并且每个网格单元可以包含在多个不同方向上穿过它的多个聚集轨迹。如上所述，每个单元中的聚集轨迹可与可用作分类参数集的元信息相关联。
[0096]
根据图5的步骤s150，可以基于所提取的分类参数集来确定一个或更多个poi以及相应的地理位置(与所提取的网格单元相关)和/或道路类型。即，提取的分类参数(例如，在地图的每个局部网格单元中：关于聚集轨迹、单独轨迹、元信息、网格单元统计的信息)可用于确定地图中的poi以及相关联的地理位置和/或道路类型。
[0097]
图8a至图8c示出了针对不同对象类别的定向聚集轨迹(也称为定向梯度)和速度分布的网格单元统计(例如，以网格单元的网格单元直方图的形式)的说明性示例。
[0098]
具体地，图8a示出了乡村道路上的网格单元的“汽车”和“行人”的对象类别的定向聚集轨迹(定向梯度)和平均速度的网格单元统计的说明性示例。从图8a可以看出，在网格单元中没有检测到任何方向上的行人轨迹，而在“北”方向和“南”方向上聚集的汽车轨迹的比率是0.5，并且汽车在两个方向上具有50kph(千米每小时)的平均速度。由于没有检测到另外的方向或车道，网格单元可以被分类或确定为与乡村道路(具有2个车道)的道路类型相关联。
[0099]
图8b示出了具有斑马线的城市道路上的网格单元的“汽车”和“行人”的对象类别
的定向聚集轨迹(定向梯度)和平均速度的另一说明性示例。从图8b可以看出，在“东”方向和“西”方向上以相等的比率检测到行人轨迹，其中，行人具有3kph(千米每小时)的平均速度，而在垂直方向“北”和“南”上聚集的汽车轨迹的比率为0.5，并且汽车在两个方向上具有30kph(千米每小时)的平均速度。由于没有检测到另外的方向或车道，但是对于行人运动，网格单元可以被分类为与城市道路(具有2条车道)的道路类型相关联，并且还与斑马线(作为poi的示例)相关联。
[0100]
图8c示出了针对城市道路旁边的局部网格单元的对象类“汽车”和“行人”的定向聚集轨迹(定向梯度)的网格单元统计的说明性示例。如图所示，在该特定网格单元中，在任何方向上都没有检测到车辆运动，而在“北”方向和“南”方向上以相等的比率检测到行人轨迹，其中，行人具有5kph(千米每小时)的平均速度。也就是说，这种局部网格单元统计(例如，以网格单元直方图的形式)可以识别出行人走道(作为道路类型)和/或相邻网格单元涉及城市道路而不是乡村道路或高速公路。
[0101]
可对具有不同提取参数的其它poi以及其它道路类型(例如交通灯场景、建筑工地、环岛等)执行类似的统计分析。例如，如果有建筑工地，这将因为其他交通参与者相应的表现而很容易被识别出。这样，可以使用不同的提取参数集来确定特定的poi和/或道路类型。
[0102]
图9示出了根据优选实施方式的提取分类参数集(用于确定poi和/或道路类型)的方法的流程图。
[0103]
根据图9中的步骤s210，该方法获取经处理的传感器数据，例如至少一个车辆的基于雷达的传感器数据和定位数据。如上所述，基于雷达的传感器数据可以从雷达系统110获取以用于目标检测和跟踪的目的，而定位数据例如是基于gps的数据，其被获取以用于自我车辆的定位和跟踪(第一轨迹)的目的。
[0104]
根据图9中的步骤s230，该方法还可以确定对象类别特定单独轨迹，即多个对象类别中的每一个的单独轨迹。可以基于定位数据(例如基于gps数据流)为自我车辆本身以及基于经处理的传感器数据为检测到的对象(不同类别的车辆、行人)确定单独轨迹。也就是说，可以基于基于雷达的数据来检测和跟踪多个对象，以便为多个对象类别中的每一个确定多个单独轨迹。这里，定位数据(在gcs中提供定位信息)优选地用于确定检测对象的跟踪(相对)坐标的gcs坐标。
[0105]
根据图9中的步骤s250，该方法还可以聚集各个单独轨迹，以确定地图(hd地图)的网格单元地图表示中的多个对象类别特定聚集轨迹。如上所述，聚集可被认为是单独对象类别内的单独轨迹的收集或总结。在第一汽车的单独轨迹和另一汽车的另一单独轨迹的上述示例中，两个单独轨迹被聚集在一起成为对象类别“汽车”中的单个聚集轨迹。这里，自我车辆的单独轨迹(第一轨迹)也可用于确定聚集轨迹。这可以进一步提升聚集轨迹的准确性，特别是因为可以从比基于雷达的数据更准确的定位数据获得自我车辆的单独轨迹。
[0106]
在优选实施方式中，当确定对象类别特定聚集轨迹时，可通过仅使用最新的单独轨迹来执行聚集，例如在特定时间量内，例如在最后一天、最后5小时或最后2小时等内确定的单独轨迹。这允许仅考虑最新的并且因此考虑更可靠的轨迹。
[0107]
即，可以执行聚集步骤以不断更新聚集轨迹并因此更新地图。聚集轨迹可以由各个连接的轨迹段组成，例如连接在地图的各个网格单元之间的段。优选地，各个段与附加元
信息相关联(例如存储)，所述附加元信息诸如：形成该聚集轨迹的对象类别、该段上的平均速度、驾驶或步行方向或角度、该段的单独轨迹的总数、创建该单独轨迹的日期和时间，最新(例如，小于2小时)的单独轨迹的数量等。这样，所得到的地图可以被表示为gcs中的这种聚集轨迹段的集合。
[0108]
根据图9中的步骤s270，该方法还可以基于对象类别特定聚集轨迹来提取分类参数。例如，在地图的各个网格单元中，聚集轨迹的分段信息以及相关联的元信息可以用作局部分类参数集。基于此，可以确定地图中的至少一个poi和/或至少一个道路类型。因此，对地图中的一个或更多个poi和/或一个或更多个类型的确定可以基于与对象类别特定聚集轨迹相关的信息。
[0109]
基于此，关于poi和道路类型的高级确定或分类信息因此可以从聚集轨迹图和相关联的元信息导出，所述元信息可以从低成本、低级车辆传感器数据生成。
[0110]
虽然特定交通和/或移动模式以及速度模式指示特定poi和道路类型的存在，且因此可在确定性算法中实施以确定或分类poi和/或道路类型，但该确定优选使用经训练的神经网络分类器来执行，该经训练的神经网络分类器使用分类参数集(例如，基于对象类别特定聚集轨迹以及地图的各个段或网格单元中的相应元信息)作为输入，并输出一个或更多个poi和/或道路类型作为分类结果。
[0111]
经训练的神经网络分类器优选地是基于卷积神经网络(cnn)的分类算法(简言之，基于cnn的分类器)。因此，基于cnn的分类器可以考虑聚集轨迹/段固有的空间信息，并且还可以考虑用于分类的各个段的元信息。为此，基于cnn的分类器通常具有例如3
×
3或5
×
5的核大小，这允许神经网络利用每个网格单元或段的邻域信息作为上下文信息，以便提高分类质量。
[0112]
基于cnn的分类器优选地通过使用一个或更多个可用hd地图(有限区域的hd地图)中的注释的(先前已知的)poi和道路类型作为地面实况来训练，例如使用高成本传感器生成或其中注释已经手动执行的hd地图。即，基于cnn的分类器学习预测先前聚集轨迹的poi和/或道路类型的存在和识别。下面将描述训练神经网络分类器的优选实施方式。
[0113]
根据优选实施方式，如上所述，可以通过使用对象类别特定聚集轨迹为地图的每个网格单元确定对象类别特定直方图。对象类别特定直方图是分类参数集的进一步示例，并且可以被输入到训练的神经网络分类器以确定poi和/或道路类型。本领域技术人员应理解，对象类别特定直方图包括关于检测到的对象移动的局部网格地图信息。
[0114]
直方图(分类参数集)优选地关于多个不同的驾驶(对于各个类别的车辆中的每一个)或步行(对于行人类别)方向，例如关于在图8a至图8c的上下文中描述的8个主要方向来确定。该地图的各个网格的详细局部信息允许经训练的神经网络分类器适当地关联相邻网格单元之间的邻域关系，并因此改进分类结果。
[0115]
直方图(分类参数集)还可以包括关于地面上的平均观测速度(优选地根据每个主要方向)和/或轨迹相对于地图网格单元的平均角度偏差的局部信息。用于地图的各个网格的这种详细的局部信息允许经训练的神经网络分类器适当地关联相邻网格单元之间的速度差和/或角度差，并且因此可以进一步改进分类结果。例如，不同的poi已经被识别为与不同的速度和/或角度差相关。
[0116]
直方图(分类参数集)优选还包括每个单独和/或聚集轨迹的创建时间。即，该分类
参数集与创建时间相关联。基于此，经训练的神经网络优选地仅使用最新的分类参数，即在最后的预定时间量(诸如最后一小时、最后两小时、最后一天等)内创建的分类参数，使得仅使用最新的传感器数据来确定poi和/或道路类型。
[0117]
即，当使用所生成的对象类别特定聚集轨迹和所确定的一个或更多个poi和/或道路类型来生成地图时，优选地通过仅使用已通过使用最小数量的单独轨迹(诸如最少100个单独轨迹，即，一定数量的总更新)聚集的和/或通过使用在过去的特定时间量内确定的最小数量的轨迹(例如在最近10分钟内至少10个轨迹，即一定数量的最新更新的轨迹)聚集的聚集轨迹和/或通过使用通过从最小数量的这种单独轨迹和/或最小数量的最新轨迹中提取分类参数而确定的poi和/或道路类型来生成地图。
[0118]
由此，可以通过为对象类别特定聚集轨迹和/或一个或更多个poi和/或道路类型提供可靠性指示来生成地图。adas车辆在作出高级驾驶和安全决策时可有利地使用此可靠性指示(例如，如果已使用第一阈值数量的检测到的轨迹则指示高可靠性，如果已使用第二阈值数量的检测到的轨迹则指示中等可靠性，且如果已使用第三阈值数量(例如，上文论述的最小数量)的检测到的轨迹则指示低可靠性)。
[0119]
这样的hd地图因此可以由云服务器20容易地生成并且不断地更新。可以将包括所确定的poi和/或道路类型的hd地图下载到车辆20，并且可以有利地用于改进adas功能。即，hd地图可以设置车辆20可以在其中移动的框架，并且当现场adas系统发生故障或其摄像头被遮挡时，hd地图还可以被视为备份解决方案。
[0120]
只有在达到临界数量的“共识”之后，即只有在已经对地图的每个网格单元观察到一定最小数量的单独轨迹(整体和/或每类)之后，这样的更新的地图才可以例如由云服务器20公开。
[0121]
图10示出了根据另一实施方式的由车辆实施的方法。车辆10具有通信接口(诸如图4中的i/f 310)以与云服务器20通信。经由通信接口，车辆10可以接收包括已经根据上述实施方式之一确定的poi和/或道路类型的地图(hd地图)以及聚集轨迹(步骤s310)。车辆还具有控制单元(例如图4中的处理器320，或图2中的车辆10的驾驶员辅助系统200)。该控制单元基于所接收的地图做出高级驾驶和安全决策(例如，adas决策和/或ad决策)，所述地图包括关于如上所述的所识别出的poi、道路类型、聚集轨迹和/或元信息的信息(步骤s430)。因此，车辆10不仅能够访问从装备的传感器提取的其自己的感知信息，而且能够访问来自云服务器的聚合服务的聚合轨迹和/或元信息，并且因此能够做出改进的adas决策。
[0122]
例如，所接收的地图的聚集轨迹和元信息包括关于在车道上行驶的更新的平均速度的信息以及该信息的最新程度，其可用于执行有效的路线规划。
[0123]
根据优选实施方式，控制单元可被配置成仅使用地图中的已通过使用最小数量的单独轨迹而聚集和/或已通过使用在过去的特定时间量内确定的最小数量的轨迹而聚集的聚集轨迹。具体地，如上所述，聚集轨迹可以携带关于已经使用多少个单独轨迹来生成(并确认其正确性)该聚集轨迹的元信息。聚集轨迹还可携带关于最新轨迹在被聚集到此聚集轨迹中时有多旧的元信息。因此，adas系统的控制单元现在可以通过仅消耗a)已经接收到足够的总的单独轨迹(例如，最少100个单独轨迹)和/或b)已经接收到足够的最新轨迹(例如，在最后10分钟内最少10个轨迹)的那些轨迹来确定该聚集轨迹的“质量”。本领域技术人员应理解，最小数量的单独轨迹和最后特定时间量内的最小数量的轨迹的特定示例是非限
制性示例。
[0124]
该方法确保了在将这些聚集轨迹用于adas决策之前，adas系统的控制单元可以确认所消耗轨迹的正确性和准确性。也就是说，控制单元还可以被配置为向车辆输出控制指令，以跟随从所接收的地图中提取的聚集轨迹之一，以接近特定poi，或者使用特定道路类型，特别是在车辆的摄像头处于被遮挡状态的情况下。
[0125]
更具体地，adas车辆10可以配备有现有技术的l2自主驾驶能力，并且因此可以通过用其自己的感知传感器(例如，摄像头系统)观察车道标记来主动地跟随车道标记，和/或因此可以主动地控制其到任何前方车辆的纵向距离(例如，通过部署用于距离测量的雷达)。如果且仅当感知软件未能观察到其周围环境(例如，由于摄像头被遮挡或被直射阳光遮蔽)时，典型的adas车辆将停止工作并警告驾驶员接管对车辆的控制。这种中断可能自发地发生并且没有对驾驶员的预警时间。由于该系统需要立即由人类驾驶员接管并且因此需要驾驶员的持续注意力，所以它只能有资格作为l2自主驾驶系统。
[0126]
随着来自云服务器20的云聚集服务的附加信息(聚集轨迹和/或元信息和/或poi和/或道路类型)变得可用，并且优选地如以上概述的“正确性”和“正确度”的确认，adas系统的控制单元现在可以执行不同的方法来处理其感知传感器的这种“遮挡”情况。代替直接禁用adas功能并期望驾驶员立即接管，adas系统因此可以回退以跟随其从云服务(云服务器)接收的地图上的聚集轨迹。
[0127]
控制单元优选地仅在以下条件下应用此回退：如上所述，a)其他道路用户(例如，基于雷达传感器)的感知仍然起作用，因此可以保证前方的道路实际上没有障碍物，以及b)所消耗的地图的聚集轨迹是最新的和准确的。
[0128]
根据基于所接收的地图作出adas决策的另一优选实施方式，控制单元可进一步被配置成向车辆10输出控制指令，以在聚集轨迹准确时追踪聚集轨迹。
[0129]
即，与从云聚集服务(云服务器20)接收的聚集轨迹和/或元信息和/或poi和/或道路类型相关的数据为adas系统提供“前瞻”，以实现“跟踪”。只要有足够的“前瞻”信息可用，因此就有足够的满足上述条件的聚集轨迹可被认为是“最新的”和/或“准确的”，控制单元就可以通过遵循这些轨迹继续正常操作，类似于传统的“编队”概念。
[0130]
在某个时间点，将出现不能消耗更多聚集轨迹的点，这是因为a)其他adas车辆先前没有观察到更多的轨迹，因此聚集轨迹服务不能提供任何信息，或者b)所提供的轨迹不再具有“最新”和“准确”的资格，因为仅聚集了太少或太旧的数据。在这种情况下，adas系统的控制单元可以向驾驶员通告其将关闭其功能的警报，类似于没有这种附加轨迹信息的情况。然而，通常，驾驶员接管的领先时间将更高，因为adas系统可以“提前”更长时间，并“提前”决定何时会耗尽足够的信息来保持功能。
[0131]
根据基于所接收的地图作出adas决策的另一优选实施方式，控制单元可进一步被配置成基于所接收的地图确定弯道速度推荐，例如，关于与特定道路类型相关联的弯道、特定道路类型尤其是聚集轨迹的形状、道路类型以及平均速度信息的弯道速度推荐。
[0132]
也就是说，应用由来自聚集服务的所消耗的聚集轨迹提供的“前瞻”，adas车辆的控制单元可以计算下一条弯道将要到达的适当速度。该推荐速度可以如在经典速度推荐系统中那样计算(例如，基于道路曲率)，但不需要感知软件栈来实际感知前方的道路几何形状。这允许更加平滑地调节行驶速度，并且车辆具有更多的减速时间。根据实际和推荐速度
的不同，系统甚至可以继续工作而不是警告驾驶员和关闭。这将显著地增加速度推荐功能的舒适性和可感知的可用性，并因此导致这种系统的更宽的可接受范围。
[0133]
图11示出了用于训练神经网络分类器(例如，基于cnn的分类器)的优选实施方式的流程图。
[0134]
根据图11的步骤s410，将地图划分为预定大小的(小)网格单元，例如大小为2m
×
2m的正方形(也参见图7)。
[0135]
根据图11的步骤s430，对于地图的每个网格单元，通过它确定聚集轨迹(对象类别特定轨迹)。在以上图7的示意性示例中，示出了两个聚集轨迹。此外，每个聚集轨迹基于其方向被量化，例如被量化成多个(例如8个)主导方向(例如北、东北、东等)。
[0136]
根据图11的步骤s450，计算对象类别特定聚集轨迹的网格单元统计(例如，如上所述的直方图)，特别是关于每个单元的聚集轨迹方向和对象类别。此外，根据图11的步骤s470，使用所计算出的网格单元统计来训练基于cnn的分类器。
[0137]
例如，关于步骤s450的网格单元统计，可以使用对象类别特定聚集轨迹针对地图的每个网格单元确定对象类别特定直方图。优选地，可以关于与相应单元中的聚集轨迹相关联的多个不同方向(驾驶或步行)来确定各个直方图。
[0138]
例如，可以确定每个网格单元和对象类别观察到的聚集轨迹方向的直方图，例如，一个直方图用于汽车，另一个直方图用于行人，并且分别关于多个(例如8个)主要方向。
[0139]
这种单独的直方图还可以与单元特定元信息相关联(例如，存储)，所述元信息诸如观测到的对地速度(例如，针对每个预定方向)和/或轨迹的平均角度偏差(例如，相对于预定的主导方向)。本领域技术人员应理解，可以通过计算各个网格单元中的所有轨迹角度的标准偏差来确定轨迹的平均角度偏差。也就是说，直方图可以用附加的元信息来丰富或存储。
[0140]
此外，可以存储创建每个单独聚集踪迹的日期和时间。这允许评估轨迹的可靠性。尤其是，具有较新贡献的聚集轨迹是更可靠和最新的，并且优选地用于单元统计。因此，每个单元可以由多个这样的直方图来表示，而如上所述，每个直方图对该单元内的轨迹的各个方面进行计数。然后可以将该表示(单元网格统计)输入到基于cnn的分类器中。
[0141]
基于cnn的分类器因此可以使用上述单元表示作为输入，并且使用来自hd地图的注释的(先前已知的)poi和道路类型作为训练的地面实况。
[0142]
对于训练，可以使用有限局部区域的hd地图。一旦算法被训练，就可以从这个区域推广到其它地理区域。
[0143]
在前面的描述中，参照多个实施方式描述了多个方面。因此，说明书应被认为是说明性的，而不是限制性的。类似地，附图中示出的突出了实施方式的功能和优点的图仅出于示例的目的而呈现。实施方式的体系结构是足够灵活和可配置的，使得它可以以不同于附图中所示的方式来使用。
[0144]
在示例性实施方式中，本文所呈现的软件实施方式可以被提供为计算机程序或软件，诸如具有指令或指令序列的一个或更多个程序，其被包括或存储在诸如机器可访问或机器可读介质、指令存储部或计算机可读存储设备的制品中，其每一个可以是非暂时性的。非暂时性机器可访问介质、机器可读介质、指令存储部或计算机可读存储设备上的程序或指令可用于对计算机系统或其它电子设备进行编程。机器或计算机可读介质、指令存储部
和存储设备可以包括但不限于软盘、光盘和磁光盘或适于存储或传输电子指令的其它类型的介质/机器可读介质/指令存储部/存储设备。这里描述的技术不限于任何特定的软件配置。它们可以在任何计算或处理环境中找到适用性。本文所使用的术语“计算机可读介质”、“机器可访问介质”、“机器可读介质”、“指令存储部”和“计算机可读存储设备”应包括能够存储、编码或传输指令或指令序列以供机器、计算机或计算机处理器执行并使机器/计算机/计算机处理器执行本文所述方法中的任一种的任何介质。此外，本领域中通常以一种形式或另一种形式(例如，程序、过程、进程、应用、模块、单元、逻辑等)将软件称为采取动作或导致结果。这样的表述仅仅是陈述由处理系统执行软件使得处理器执行动作以产生结果的速记方式。
[0145]
一些实施方式还可以通过准备专用集成电路、现场可编程门阵列、或通过互连常规组件电路的适当网络来实现。
[0146]
一些实施方式包括计算机程序产品。计算机程序产品可以是具有存储在其上或其中的指令的存储介质或多个存储介质、一个或更多个指令存储部或者一个或更多个存储设备，这些指令可以用于控制或致使计算机或计算机处理器执行本文描述的示例性实施方式的任何程序。存储介质/指令存储部/存储设备可以包括(例如但不限于)光盘、rom、ram、eprom、eeprom、dram、vram、闪存、闪存卡、磁卡、光卡、纳米系统、分子存储器集成电路、raid、远程数据存储/存档/储存、和/或适于存储指令和/或数据的任何其它类型的设备。
[0147]
存储在计算机可读介质或多个介质、一个或更多个指令存储部或者一个或更多个存储设备中的任一个上的一些实现包括用于控制系统的硬件和用于使系统或微处理器能够利用本文所述的实施方式的结果与人类用户或其他机制交互的软件。这种软件可以包括但不限于设备驱动程序、操作系统和用户应用程序。最后，这种计算机可读介质或存储设备还包括用于执行如上所述的示例方面的软件。
[0148]
包括在系统的编程和/或软件中的是用于实现本文描述的过程的软件模块。在本文的一些示例实施方式中，模块包括软件，尽管在本文的其他示例实施方式中，模块包括硬件或硬件和软件的组合。
[0149]
虽然上面已经描述了本公开的各种实施方式，但是应当理解，它们是作为示例而非限制来呈现的。对于相关领域的技术人员显而易见的是，可以在其中进行形式和细节上的各种改变。因此，上述示例性实施方式不是限制性的。
[0150]
此外，摘要的目的是使专利局和公众，尤其是不熟悉专利或法律术语或措辞的本领域的科学家、工程师和从业者能够从粗略的检查中快速地确定本技术的技术公开的实质和本质。摘要不旨在以任何方式限制本文所呈现的实施方式的范围。还应当理解，在权利要求中叙述的任何过程不需要以所呈现的顺序执行。
[0151]
尽管本说明书包含许多具体的实施方式细节，但这些细节不应被解释为对所要求保护的范围的限制，而是作为对本文所述的特定实施方式的特定特征的描述。在单个实施方式的上下文中在本说明书中描述的某些特征也可以在单个实施方式中组合实现。相反，在单个实施方式的上下文中描述的各种特征也可以在多个实施方式中单独地或以任何合适的子组合来实现。此外，尽管特征可能在上文中被描述为在某些组合中起作用并且甚至最初被如此要求保护，但是来自所要求保护的组合的一个或更多个特征在某些情况下可以从该组合中删除，并且所要求保护的组合可以涉及子组合或子组合的变体。
[0152]
在某些情况下，多任务和并行处理可能是有利的。此外，上述实施方式中的各种组件的分离不应被理解为在所有实施方式中都需要这种分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或封装到多个软件产品中。
[0153]
现在已经描述了一些说明性的实施方式，很明显，上述通过示例的方式给出的内容是说明性的而非限制性的。尤其是，尽管这里给出的许多示例涉及装置或软件元件的特定组合，但是这些元件可以以其它方式组合以实现相同的目的。仅结合一个实施方式讨论的动作、元件和特征不旨在被排除在其它实施方式或多个实施方式中的类似角色之外。
[0154]
在此描述的装置、设备和单元可以在不脱离其特征的情况下以其他具体形式实施。上述实施方式是说明性的而不是对所描述的系统和方法的限制。因此，这里描述的装置的范围由所附权利要求而不是前面的描述来指示，并且落入权利要求的等同物的含义和范围内的改变包含在其中。

技术特征：
1.一种确定地图中的兴趣点和/或道路类型的计算机实现方法，所述计算机实现方法包括以下步骤：-获取从一个或更多个车辆收集的经处理的传感器数据；-从所述经处理的传感器数据中提取分类参数集；以及-基于所述分类参数集确定一个或更多个兴趣点poi及其地理位置和/或一个或更多个道路类型。2.根据权利要求1所述的计算机实现方法，其中，通过使用经训练的神经网络分类器来执行所述确定，所述经训练的神经网络分类器使用所述分类参数集作为输入并输出至少一个poi和/或道路类型作为分类结果。3.根据权利要求2所述的计算机实现方法，其中，所述经训练的神经网络分类器是经训练的卷积神经网络分类器。4.根据权利要求1至3中任一项所述的计算机实现方法，所述计算机实现方法还包括：-以基于传感器的数据和定位数据为基础来检测和跟踪多个对象，以为多个对象类别中的每一个对象类别确定多个单独轨迹。5.权利要求4所述的计算机实现方法，所述计算机实现方法还包括：-聚集所述单独轨迹中的每一个以确定地图的网格单元地图表示中的多个对象类别特定聚集轨迹。6.根据权利要求5所述的计算机实现方法，其中，确定所述地图中的一个或更多个poi和/或至少一个道路类型是基于所述对象类别特定聚集轨迹的。7.根据权利要求6所述的计算机实现方法，其中，使用所述对象类别特定聚集轨迹针对所述地图的每个网格单元确定对象类别特定直方图。8.根据权利要求7所述的计算机实现方法，其中，所述直方图是关于多个不同的驾驶或步行方向而确定的。9.根据权利要求7或8所述的计算机实现方法，其中，所述直方图包括在地面上的平均观测速度和/或轨迹的平均角度偏差。10.根据权利要求7至9中任一项所述的计算机实现方法，其中，所述直方图包括各个单独轨迹的创建时间。11.根据权利要求5至10中任一项所述的计算机实现方法，所述计算机实现方法还包括：使用所述对象类别特定聚合轨迹和所确定的一个或更多个poi和/或道路类型来生成所述地图。12.根据权利要求11所述的计算机实现方法，其中，所述地图是通过仅使用通过使用最小数量的单独轨迹而聚集的和/或通过使用在过去的特定时间量内确定的最小数量的轨迹而聚集的聚集轨迹来生成的。13.根据权利要求11或12所述的计算机实现方法，其中，所述地图是通过为所述对象类别特定聚集轨迹和/或所述一个或更多个poi和/或道路类型提供可靠性指示来生成的。14.根据权利要求1至13中任一项所述的计算机实现方法，其中，所述经处理的传感器数据是基于雷达的传感器数据和基于gps的传感器数据。15.根据权利要求1至13中任一项所述的计算机实现方法，其中，所述经处理的传感器数据是基于激光雷达的传感器数据和基于gps的传感器数据。
16.一种云服务器，所述云服务器被适配成执行根据权利要求1至14中任一项所述的计算机实现方法。17.一种车辆，所述车辆包括：-通信接口，所述通信接口被配置为从根据权利要求16所述的云服务器接收包括所确定的poi和/或道路类型的地图；以及-控制单元，所述控制单元被配置为基于所接收的地图作出高级驾驶和安全决策。18.一种包括根据权利要求16所述的云服务器和多个根据权利要求17所述的车辆的系统。

技术总结
本发明涉及确定地图中兴趣点和/或道路类型的方法、云服务器和车辆。提供了一种确定地图中的兴趣点和/或道路类型的计算机实现方法，该方法包括以下步骤：获取从一个或更多个车辆收集的经处理的传感器数据；从经处理的传感器数据中提取分类参数集；以及基于该分类参数集来确定一个或更多个兴趣点(POI)及其地理位置和/或一个或更多个道路类型。位置和/或一个或更多个道路类型。位置和/或一个或更多个道路类型。


技术研发人员：C
受保护的技术使用者：APTIV技术有限公司
技术研发日：2023.01.20
技术公布日：2023/7/31